基于激光熔化技術(shù)加工工藝參數(shù)優(yōu)化研究

摘 要：為進(jìn)一步提升選區(qū)激光熔化技術(shù)加工材料的質(zhì)量，提出一種基于PSO-BP神經(jīng)網(wǎng)絡(luò)的工藝參數(shù)優(yōu)化模型，通過提升致密度進(jìn)一步提升材料質(zhì)量。其中，使用粒子群優(yōu)化算法PSO對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)優(yōu)化，進(jìn)一步提升參數(shù)優(yōu)化預(yù)測精度。實(shí)驗(yàn)結(jié)果表明，與基于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化預(yù)測模型相比，基于PSO-BP神經(jīng)網(wǎng)絡(luò)的工藝參數(shù)優(yōu)化模型具有更高的預(yù)測精度，優(yōu)化后的預(yù)測致密度值更加接近于真實(shí)值，且優(yōu)化預(yù)測過程的穩(wěn)定性更好，更加適用于選區(qū)激光熔化技術(shù)的工藝參數(shù)優(yōu)化，實(shí)現(xiàn)效果更佳的質(zhì)量提升。

關(guān)鍵詞：材料制備；選區(qū)激光熔化技術(shù)；BP神經(jīng)網(wǎng)絡(luò)；PSO

中圖分類號：

TP392；TQ171.6+2

文獻(xiàn)標(biāo)志碼：

A文章編號：

1001-5922（2024）01-0129-04

Optimization study of" processing parameters based on laser melting technology

ZHAO Weiping，REN Wei，ZHANG Leiwei，ZHANG Hua

（Mechanical and Electrical Engineering College of Tongchuan Vocational and Technical College，Tongchuan 727031，Shaanxi China）

Abstract：To further improve the quality of materials processed by selective laser melting technology，a process parameter optimization model based on PSO-BP neural network was proposed，which improves the material quality by increasing the density.In this model，the particle swarm optimization algorithm PSO was used to optimize the parameters of BP neural network，and the prediction accuracy of parameter optimization was further improved.The experimental results showed that compared with the traditional BP neural network optimization prediction model，the PSO-BP neural network based process parameter optimization model had higher prediction accuracy，the predicted density value after optimization was closer to the true value，and the stability of the optimized prediction process was better.It is more suitable for optimizing process parameters of selective laser melting technology，achieving better quality improvement.

Key words：material preparation;selective laser melting technology;BP neural network;PSO

作為當(dāng)前使用較為廣泛的金屬增材制造技術(shù)之一，選區(qū)激光熔化技術(shù)在進(jìn)行材料制造時成本較低且制作周期較短，但在激光熔化成形過程中，容易受到各種因素的影響，使得成形工藝不穩(wěn)定，進(jìn)而使得材料的質(zhì)量受到影響。對于選區(qū)激光熔化技術(shù)的工藝優(yōu)化，大部分研究均通過材料密度進(jìn)行工藝優(yōu)化效果的判斷，其中，通過正交實(shí)驗(yàn)等方法可得到影響材料密度的相關(guān)工藝參數(shù)，包括激光功率、掃描間距、掃描速度等［1-3］；在進(jìn)行選區(qū)激光熔化材料的工藝優(yōu)化時，主要的優(yōu)化路徑即是對影響材料密度的各個參數(shù)進(jìn)行篩選擇優(yōu)，同時通過實(shí)驗(yàn)確定對應(yīng)密度最優(yōu)的各個參數(shù)，得到的優(yōu)化結(jié)果為一組對材料密度影響較明顯的參數(shù)組合，將其應(yīng)用于加工過程中能夠有效提升材料質(zhì)量［4-6］；在確定對選區(qū)激光熔化工藝參數(shù)優(yōu)化的途徑后，加工材料質(zhì)量的進(jìn)一步提升便涉及到了參數(shù)優(yōu)化問題，而參數(shù)優(yōu)化方法眾多，根據(jù)選區(qū)激光熔化工藝參數(shù)的特點(diǎn)，可通過人工神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)關(guān)系建立，再通過算法進(jìn)行參數(shù)優(yōu)化，能夠得到更佳的參數(shù)組合［7-9］。綜合上述研究成果同時結(jié)合國內(nèi)外研究現(xiàn)狀可知，在當(dāng)前的選區(qū)激光熔化工藝優(yōu)化研究中，主要優(yōu)化方向?yàn)閷τ绊懖牧厦芏鹊母鱾€參數(shù)進(jìn)行優(yōu)化，因此需要性能優(yōu)異的優(yōu)化算法進(jìn)一步提升參數(shù)優(yōu)化效果。因此，嘗試提出一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化模型對選區(qū)激光熔化工藝參數(shù)進(jìn)行優(yōu)化，以進(jìn)一步提升制作材料的致密度，進(jìn)而提升材料質(zhì)量。

1 選區(qū)激光熔化技術(shù)

1.1 選區(qū)激光熔化技術(shù)原理

選區(qū)激光熔化技術(shù)在材料加工時，主要工作內(nèi)容：在進(jìn)行打印前首先通過CAD軟件進(jìn)行成形件相關(guān)參數(shù)信息的獲取，然后將得到的成形件三維模型轉(zhuǎn)換為相應(yīng)的文件形式進(jìn)行切片；進(jìn)行成形件打印時，首先在工作臺基板上鋪設(shè)一層金屬粉末，然后根據(jù)設(shè)定輪廓控制激光束機(jī)芯進(jìn)行粉末的選區(qū)激光熔化成形，由此可得到一個零件截面層；完成一層截面輪廓的掃描成形后，送粉缸和成形缸會分別上升和下降一個高度，進(jìn)行下一層的撲粉成形，重復(fù)操作最終得到加工零件［10-11］。選區(qū)激光熔化技術(shù)的工作原理如圖1所示。

零件在進(jìn)行選區(qū)激光熔化成形加工時有惰性氣體進(jìn)行保護(hù)，因此材料在成形過程中并不會受到影響，而在完成打印后，可通過后續(xù)處理進(jìn)一步提升成形件材料致密度和力學(xué)形能。

1.2 材料缺陷

由于選區(qū)激光熔化技術(shù)加工方式的獨(dú)特性，加工所得金屬成形件存在一定的缺陷，設(shè)計主要針對以下3種缺陷進(jìn)行分析［12-13］：

（1）球化。

球化情況的出現(xiàn)是由于進(jìn)行加工時金屬粉末鋪設(shè)不平坦使得金屬球之間存在未填充的孔隙。球化情況的出現(xiàn)對材料的致密度影響十分明顯；

（2）孔隙。

球化現(xiàn)象是導(dǎo)致金屬成形件孔隙形成的主要原因。加工過程中無法對已經(jīng)成形層的孔隙進(jìn)行填充，使得間隙出現(xiàn)并進(jìn)一步發(fā)展為孔隙，同時，加工過程中氣體無法及時揮發(fā)是造成孔隙出現(xiàn)的另一原因；

（3）裂紋。

由于選區(qū)激光熔化加工過程中金屬粉末融化到凝固的過程為瞬間完成，存在溫度的驟降和突增，產(chǎn)生較大的熱應(yīng)力會使得強(qiáng)度不足的材料出現(xiàn)裂縫。

2 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的選區(qū)激光熔化工藝參數(shù)優(yōu)化

設(shè)計選擇致密度作為選區(qū)激光熔化技術(shù)加工所得金屬成形件材料質(zhì)量的指標(biāo)，而影響材料致密度的工藝參數(shù)產(chǎn)生的影響將作用于材料致密度。因此，設(shè)計引入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行工藝參數(shù)與致密度關(guān)系的擬合［14-15］。

其中，

網(wǎng)絡(luò)的權(quán)值和閾值是BP神經(jīng)網(wǎng)絡(luò)中最重要的指標(biāo)，兩個參數(shù)直接決定著預(yù)測模型的誤差大小［16］，因此在在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化時，主要針對其網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行優(yōu)化，設(shè)計選擇的參數(shù)優(yōu)化方法為粒子群優(yōu)化算法PSO。

2.1 粒子群優(yōu)化算法

PSO在進(jìn)行參數(shù)優(yōu)化時，將參數(shù)類比為種群粒子，通過將經(jīng)過初始化的粒子進(jìn)行不斷的位置和速度更新實(shí)現(xiàn)尋優(yōu)，在每個新的位置均會進(jìn)行粒子的速度和適應(yīng)度值的計算，進(jìn)而對粒子質(zhì)量的優(yōu)劣進(jìn)行判定［17］。

在進(jìn)行尋優(yōu)的過程中，會對粒子的個體極值pbest和群體極值Gbest進(jìn)行跟蹤，每次進(jìn)行粒子更新時均會通過比較不斷進(jìn)行個體極值和群體極值的更新，直至完成更新得到最終的最優(yōu)值［18］。

2.2 基于PSO改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法流程

將BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值作為PSO算法的初始值粒子群，進(jìn)行尋優(yōu)，通過迭代得到最優(yōu)權(quán)值和閾值，返回至BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測。經(jīng)過PSO優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的算法流程如圖1所示。

將構(gòu)建的如圖1所示的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于選區(qū)激光熔化技術(shù)的工藝參數(shù)優(yōu)化。

2.3 工藝參數(shù)優(yōu)化模型的構(gòu)建

2.3.1 選區(qū)激光熔化工藝參數(shù)的選擇

在選區(qū)激光熔化技術(shù)的各個工藝參數(shù)中，選擇激光功率（P）、掃描速度（v）、掃描間距（s）和鋪粉厚度（t）作為設(shè)計的工藝影響參數(shù)組合，上述4個工藝參數(shù)均對材料的致密度存在直接的影響，對其進(jìn)行優(yōu)化能夠使得致密度得到進(jìn)一步改善。

材料的致密度作為材料質(zhì)量的直接評價指標(biāo)，實(shí)際的優(yōu)化效果可直接對比優(yōu)化前后的材料致密度即可。設(shè)定目標(biāo)成形件的干重為m0，浸入蒸餾水后的濕重為m1，則該成形件的相對致密度為：

ρr=m0ρ1m0-m1ρ0×100%（1）

式中：ρ1為標(biāo)準(zhǔn)大氣壓下蒸餾水的密度；ρ0為316L不銹鋼的標(biāo)準(zhǔn)密度。

2.3.2 數(shù)據(jù)樣本選擇

在實(shí)驗(yàn)設(shè)置的工藝參數(shù)范圍內(nèi)隨機(jī)選擇參數(shù)組合，進(jìn)行選區(qū)激光熔化成形實(shí)驗(yàn)，得到40組成形樣本。

2.3.3 數(shù)據(jù)歸一化

設(shè)計得到的實(shí)驗(yàn)數(shù)據(jù)之間存在明顯的數(shù)量級差距，而為了避免數(shù)據(jù)之間存在的數(shù)量級差距帶來的預(yù)測誤差，對得到的數(shù)據(jù)樣本進(jìn)行歸一化處理。選擇的歸一化處理方法為歸一化函數(shù)Mapminmax，將數(shù)據(jù)樣本映射至區(qū)間［-1，1］［19］。

2.3.4 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的工藝參數(shù)優(yōu)化模型構(gòu)建

在完成BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)以及數(shù)據(jù)的準(zhǔn)備后，將改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于選區(qū)激光熔化成形技術(shù)的工藝參數(shù)優(yōu)化中，并使用經(jīng)過歸一化處理的數(shù)據(jù)樣本作為參數(shù)優(yōu)化模型的輸入數(shù)據(jù)。設(shè)計選定的工藝參數(shù)數(shù)量為4個，輸出指標(biāo)為致密度，因此設(shè)定最終構(gòu)建的基于PSO-BP神經(jīng)網(wǎng)絡(luò)的工藝參數(shù)優(yōu)化模型的輸入層節(jié)點(diǎn)數(shù)為4，輸出層節(jié)點(diǎn)數(shù)為1。最終構(gòu)建的模型結(jié)構(gòu)如圖2所示。

3 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析

3.1 實(shí)驗(yàn)設(shè)置

采用的選區(qū)激光熔化成形設(shè)備為廈門五星瓏科技有限公司自主研發(fā)的WXL-120P機(jī)型［20］。設(shè)計在進(jìn)行參數(shù)優(yōu)化模型的驗(yàn)證時在MATLAB軟件上進(jìn)行。

在進(jìn)行優(yōu)化模型訓(xùn)練時，設(shè)置最大訓(xùn)練次數(shù)為1000次，訓(xùn)練目標(biāo)值設(shè)置為1×10-5，學(xué)習(xí)率設(shè)置為0.01，PSO算法中學(xué)習(xí)因子C1和C2分別設(shè)置為0.5和1.0。

在引入的40個樣本數(shù)據(jù)中，隨機(jī)選擇30組樣本數(shù)據(jù)作為模型的訓(xùn)練數(shù)據(jù)集，剩余10組作為測試數(shù)據(jù)集。

3.2 優(yōu)化模型驗(yàn)證

為了對PSO優(yōu)化算法的優(yōu)化效果進(jìn)行驗(yàn)證，對優(yōu)化過程中的算法適應(yīng)度值進(jìn)行測試，得到如圖3所示的測試結(jié)果。

由圖3可知，隨著迭代次數(shù)的增加，參數(shù)的適應(yīng)度值逐漸減小，在迭代次數(shù)達(dá)到40后，適應(yīng)度達(dá)到了穩(wěn)定狀態(tài)，這表明PSO算法能夠在較少的迭代次數(shù)內(nèi)實(shí)現(xiàn)效果較好的參數(shù)優(yōu)化。

3.3 工藝參數(shù)優(yōu)化預(yù)測實(shí)驗(yàn)

為了測試對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)的實(shí)際效果，使用經(jīng)過PSO改進(jìn)前后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行工藝參數(shù)優(yōu)化預(yù)測測試，使用的測試數(shù)據(jù)為劃分的訓(xùn)練集，并將兩個預(yù)測結(jié)果與真正值進(jìn)行變化曲線繪制，得到如圖4所示的對比測試結(jié)果。

由圖4可知，與未改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果相比，PSO-BP神經(jīng)網(wǎng)絡(luò)與真實(shí)的參數(shù)之間的誤差更小，變化趨勢基本一致，曲線更加貼近，這表明改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)具有更加優(yōu)秀的預(yù)測性能。

為了測試將PSO-BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于選區(qū)激光熔化成形技術(shù)工藝參數(shù)優(yōu)化的實(shí)際效果，使用劃分的測試數(shù)據(jù)樣本對改進(jìn)前后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測對比測試，得到如圖5所示的預(yù)測測試結(jié)果。

由圖5可知，基于PSO-BP神經(jīng)網(wǎng)絡(luò)的工藝參數(shù)優(yōu)化預(yù)測致密度值明顯更加接近于真實(shí)值，這表明該模型具有更好的優(yōu)化預(yù)測效果。

為了對設(shè)計的參數(shù)優(yōu)化預(yù)測模型的性能進(jìn)行進(jìn)一步驗(yàn)證，將2種BP神經(jīng)網(wǎng)絡(luò)改進(jìn)前后的兩種預(yù)測模型的預(yù)測結(jié)果誤差繪制如圖6所示。

由圖6可知，2個預(yù)測模型的預(yù)測誤差存在明顯差異，基于PSO-BP神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化預(yù)測模型的最大誤差率為-3%，明顯低于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型7.5%的最大誤差，同時還具有更強(qiáng)的穩(wěn)定性。

4 結(jié)語

將經(jīng)過PSO優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于選區(qū)激光熔化成形技術(shù)工藝參數(shù)優(yōu)化中，并將實(shí)驗(yàn)制得的工藝參數(shù)組合數(shù)據(jù)樣本作為優(yōu)化模型的輸入，能夠?qū)崿F(xiàn)精度較高且穩(wěn)定性較強(qiáng)的參數(shù)優(yōu)化預(yù)測，得到的材料致密度值更加接近于真實(shí)值，表明該方法能夠?qū)x區(qū)激光熔化成形加工的材料質(zhì)量進(jìn)行有效提升。但設(shè)計的優(yōu)化模型依然存在可優(yōu)化空間，例如選擇的工藝參數(shù)個數(shù)較少。因此，下一步的研究將進(jìn)一步豐富工藝參數(shù)數(shù)量，進(jìn)一步提升優(yōu)化效果。

【參考文獻(xiàn)】

［1］ 許陽，班樂，肖志瑜.選擇性激光熔化成形CoCrWMo合金工藝優(yōu)化及摩擦磨損性能［J］.粉末冶金技術(shù)，2021，39（6）：505-511.

［2］ 楊紫微，陳超，吳誼友，等.選區(qū)激光熔化成形Al-Ce-Sc-Zr合金的工藝優(yōu)化與組織性能［J］.粉末冶金材料科學(xué)與工程，2023，28（2）：170-179.

［3］ 王金海，儀傳明，肖罡，等.12Cr9NiAlMo模具鋼的選區(qū)激光熔化成形工藝優(yōu)化及熱處理后的組織和性能［J］.機(jī)械工程材料，2022，46（10）：49-55.

［4］ 舒雷，張正文，劉麗君，等.粉末床激光熔化成形H13鋼工藝優(yōu)化及力學(xué)性能研究［J］.機(jī)械科學(xué)與技術(shù)，2022，41（12）：1914-1920.

［5］ 時云，王聯(lián)鳳，杜洋，等.AlSi10Mg鋁合金選區(qū)激光熔化成形缺陷控制和表面質(zhì)量優(yōu)化［J］.應(yīng)用激光，2023，43（3）：19-25.

［6］ 楊青峰，高士鑫，陳平，等.核電用316L不銹鋼粉末增材制造研究現(xiàn)狀［J］.精密成形工程，2023，15（5）：209-219.

［7］ 賈莉，吳龍.影響激光選區(qū)熔化3D打印質(zhì)量的工藝參數(shù)優(yōu)化研究［J］.激光雜志，2021，42（5）：166-170.

［8］ 關(guān)杰仁，陳超，丁紅瑜，等.激光選區(qū)熔化成形Al-Mg-Sc-Zr高強(qiáng)鋁合金研究進(jìn)展［J］.中國有色金屬學(xué)報，2022，32（5）：1224-1236.

［9］ 段佩，龔加安.金屬零部構(gòu)件激光熔覆工藝參數(shù)優(yōu)化的數(shù)學(xué)建模設(shè)計［J］.粘接，2022，49（10）：105-109.

［10］ 李瑞鋒，李客，周偉召.激光金屬3D打印技術(shù)的研究進(jìn)展［J］.粘接，2022，49（7）：98-105.

［11］ 曾壽金，吳啟銳，韋鐵平，等.選區(qū)激光熔化醫(yī)用316L多孔結(jié)構(gòu)的多目標(biāo)工藝優(yōu)化［J］.中國機(jī)械工程，2022，33（6）：718-727.

［12］ 張哲輝.金屬3D打印技術(shù)中缺陷工藝參數(shù)關(guān)聯(lián)關(guān)系研究［J］.世界有色金屬，2022（3）：158-160.

［13］ 梅益，肖展開，羅寧康，等.基于BP神經(jīng)網(wǎng)絡(luò)連接端子溫擠壓成型優(yōu)化［J］.計算機(jī)應(yīng)用與軟件，2023，40（5）：97-102.

［14］ 楊敏，唐孝生.BP神經(jīng)網(wǎng)絡(luò)在激光器參數(shù)優(yōu)化中的應(yīng)用［J］.激光雜志，2020，41（5）：168-172.

［15］ 王超，王銀花.基于BP神經(jīng)網(wǎng)絡(luò)的蕪湖市社會用電量預(yù)測研究［J］.淮北師范大學(xué)學(xué)報（自然科學(xué)版），2023，44（2）：36-41.

［16］ 胡樂天，魏群，馬湘蒙，等.基于PSO-BP的藻類膜系統(tǒng)處理己內(nèi)酰胺模擬污水水質(zhì)預(yù)測［J］.合成纖維工業(yè)，2023，46（2）：18-23.

［17］ 張廣強(qiáng).基于小波去噪和PSO-BP神經(jīng)網(wǎng)絡(luò)模型的煤礦邊坡變形預(yù)測［J］.經(jīng)緯天地，2023，（1）：4-7.

［18］ 王磊，郭鎧，叢佳琦，等.工藝參數(shù)對選區(qū)激光熔化316L不銹鋼缺陷的影響［J］.激光與光電子學(xué)進(jìn)展，2023，60（5）：182-189.

［19］ 呂鵬飛，邱林.基于PSO-LSSVM的礦井沖擊地壓分級預(yù)測研究［J］.礦業(yè)安全與環(huán)保，2021，48（1）：120-125.

［20］ 滕寶仁，黎振華，李淮陽，等.選區(qū)激光熔化制備顆粒增強(qiáng)金屬基復(fù)合材料的研究進(jìn)展［J］.材料導(dǎo)報，2022，36（2）：142-147.